前列腺癌放射组学特征词典PM1.0：构建可解释AI与临床实践的桥梁

【编辑推荐】为解决AI模型在医学影像诊断中可解释性不足的问题，研究人员通过整合多参数MRI（T2WI/DWI/ADC）的放射组学特征(RF)与PI-RADS临床框架，开发了前列腺癌标准化特征词典PM1.0。采用6种可解释和7种复杂分类器结合9种特征选择算法(FSA)，发现T2WI第90百分位数(反映低信号)、ADC序列最小轴长(描述病灶形态)等关键预测特征，模型准确率达0.78±0.01（p<0.05），为临床与AI协作提供了可信赖的决策支持工具。

　　

人工智能(AI)虽能革新医学诊断，但其"黑箱"特性阻碍临床落地。这项研究巧妙地将医学影像中提取的标准化放射组学特征(Radiomics Features, RF)与前列腺影像报告和数据系统(PI-RADS)临床框架相衔接，像搭建"翻译词典"般弥合了机器与医生的认知鸿沟。科研团队采用"六轻量级+七复杂"分类器组合拳，配合方差分析F检验(F-test)、相关系数等九大特征选择算法(FSA)，对T2加权成像(T2WI)、扩散加权成像(DWI)和表观扩散系数(ADC)多参数MRI序列进行深度解码。

研究发现，T2WI序列的第90百分位数如同"灰度警报器"提示低信号癌变风险，ADC序列的"最小轴长"和"表面积体积比"则像3D雕刻刀勾勒病灶的怪异形态，而"游程熵"(Run Entropy)则暴露出肿瘤纹理的混乱本质。这套组合策略最终以0.78±0.01的准确度(p<0.05)碾压单序列分析，好比用多光谱卫星图取代单色扫描仪。诞生的前列腺MRI词典PM1.0，正成为放射科医生与算法工程师的"罗塞塔石碑"，让AI决策过程从晦涩代码转化为可临床解读的生物学语言。